- 1. ¿Por qué combinar machine learning y BPM?
- 2. Consideraciones al incorporar Machine Learning a los procesos de negocio
- 3. Estrategias para incorporar Machine Learning a los procesos de negocio
- 4. Conclusión
La inteligencia artificial (IA) y el aprendizaje automático (Machine Learning) están revolucionando la forma en que trabajamos. La inclusión de tecnologías como ChatGPT ha convertido a la IA en una herramienta indispensable en muchas profesiones. Si bien es intuitivo pensar que la inteligencia artificial también puede ayudar a optimizar los procesos de negocio, muchas organizaciones se encuentran con dificultades para comenzar su adopción.
Entre los principales desafíos con los que se encuentran las organizaciones, se puede ver:
- Datos insuficientes para realizar soluciones de inteligencia artificial efectivas.
- Falta de confianza en las decisiones o predicciones realizadas por la inteligencia artificial.
- Cambios en la forma de trabajo de los empleados.
Sin embargo, tener procesos automatizados con una herramienta BPM, permite que la adopción de la inteligencia artificial se pueda dar de forma natural y controlada. Un forma podría ser mediante la adopción de modelos de Machine Learning (ML) para realizar aprobaciones automáticas.
En este artículo, explicaremos algunas estrategias para la incorporación de Machine Learning a los procesos de negocio, a fin de disminuir los riesgos en su adopción utilizando una herramienta de BPM.
¿Por qué combinar machine learning y BPM?
Las herramientas de BPM permiten integrar modelos de Machine Learning a los procesos de forma progresiva y controlada. Esto se debe a que es posible definir los procesos de forma tal que las personas puedan supervisar las decisiones tomadas por los modelos de Machine Learning. Una vez que los resultados obtenidos dan la suficiente confianza, se puede ajustar el proceso con simples cambios para que no sea necesaria la intervención humana. Si por alguna razón es necesario volver atrás, es posible hacerlo de forma inmediata sin requerir esfuerzos de programación.
En la siguiente imagen se puede ver cómo, únicamente modificando los puntos de decisión de ¿Utilizar Machine Learning? y ¿Requiere supervisión humana?, se puede lograr el comportamiento esperado.
Además, los procesos de negocio son una fuente importante de información para entrenar modelos de Machine Learning. Si una persona tiene que aprobar una solicitud de compra, es posible que vea un formulario con los montos, un motivo, el proveedor, entre otros datos. Toda esa información, junto con la decisión tomada, se pueden utilizar para entrenar al modelo de Machine Learning, que podrá aprender patrones y generar predicciones de las decisiones. De esta manera, BPM permite recolectar constantemente información para mejorar los algoritmos de ML, pudiendo aprender de los cambios que suceden en los negocios.
Consideraciones al incorporar Machine Learning a los procesos de negocio
Hay algunas consideraciones que se deben tener en cuenta a la hora de incorporar Machine Learning a los procesos de negocio.
Uno de los factores más importantes a considerar es la elección entre algoritmos más explicativos y menos explicativos, pero más precisos. Esta decisión puede depender del caso de uso en cuestión. Por ejemplo, para un proceso en el que se clasifica una solicitud de contacto como spam o no spam, no interesa tanto la saber cómo el algoritmo llegó al resultado, ya que el foco principal es obtener la mayor precisión posible. Sin embargo, en decisiones que determinan si aprobar un crédito bancario o no, es posible que haya que rendir cuentas y explicar las razones de las decisión tomada.
Por otro lado, es importante tener en cuenta posibles sesgos que puedan surgir en los algoritmos. A modo de ejemplo, en un proceso de selección de personal de una empresa de desarrollo de software en la que gran parte de la empresa son hombres, es posible que un modelo de Machine Learning considere que las mujeres no sean tan adecuadas para la organización como los hombres. Por lo tanto, es necesario asegurarnos que estos sesgos no ocurran.
Estrategias para incorporar Machine Learning a los procesos de negocio
A continuación, se muestran algunas estrategias para incorporar Machine Learning a los procesos de negocio.
Recomendación de decisiones
Una de las formas más comunes de utilizar machine learning en los procesos de negocio es para la recomendación de decisiones. En este caso, un algoritmo previamente entrenado toma los datos ingresados y realiza una recomendación en función de las decisiones anteriores. Esta recomendación puede ser desde una aprobación o rechazo de una solicitud hasta la selección de una acción específica.
Dado que la decisión final es tomada por un humano y no por el algoritmo, es una forma con bajo riesgo de empezar a incluir a la inteligencia artificial en la toma de decisiones. Para estos casos, es útil que el algoritmo sea explicativo, para que quien reciba la recomendación pueda entender el motivo de la decisión.
Para que esta estrategia sea exitosa, es importante concientizar a los usuarios de que la responsabilidad de las decisiones tomadas es de ellos y no del algoritmo.
A continuación, se muestra un ejemplo de una posible implementación de recomendación de decisión:
Toma de decisiones
Otra estrategia para incorporar machine learning en los procesos de negocio es la toma de decisiones.
Existen varias maneras de incorporar la toma de decisiones con inteligencia artificial a los procesos. Para saber cuál es la más adecuada, hay que evaluar la criticidad de la decisión y el impacto de los errores. Es posible que en algunos casos se defina que no es conveniente que una decisión sea tomada por inteligencia artificial, mientras que en otros se acepte con distintas condicionantes.
A continuación, se presentan algunos caminos que se pueden tomar para la implementación de la toma de decisiones con inteligencia artificial:
Agregar una evaluación adicional para una de las decisiones posibles
Muchas veces, es distinto el impacto de tener un falso negativo que un falso positivo. Por ejemplo, puede no tener las mismas consecuencias para una organización que un algoritmo decida aceptar a un candidato que en realidad no tiene las habilidades o la experiencia necesaria para desempeñar el trabajo, lo que sería un falso positivo, a que no identifique a un candidato adecuado para el puesto y lo descarte incorrectamente. Si bien ambos comportamientos son no deseados, contratar a alguien erróneamente puede generar pérdidas económicas. Para solucionar esto, es posible realizar únicamente una evaluación manual en caso que el algoritmo decida aceptar al candidato, como se muestra en el siguiente ejemplo:
Realizar decisión automática si la confianza es mayor a cierto umbral
Los algoritmos de machine learning pueden proporcionar información acerca del nivel de confianza que tienen sobre una decisión, por ejemplo, indicando que una solicitud de compras tiene un 60% de probabilidad de ser aprobada. Este aspecto resulta fundamental, ya que el nivel de confianza de una decisión no es lo mismo si se considera que existe un 60% o un 95% de probabilidad de que sea correcta.
Es posible utilizar esta información para automatizar la toma de decisiones solamente si el algoritmo tiene un nivel de confianza superior a cierto umbral determinado, como podría ser 90%. En caso contrario, la decisión se evalúa manualmente. Esto se puede ver en el proceso de la siguiente imagen:
Realizar decisiones por votación
Existen herramientas BPM, como Qflow, que permiten tomar decisiones por medio de votación. Las decisiones pueden ser tomadas por varios modelos de Machine Learning y personas de la organización. De esta forma, se disminuye el riesgo de una decisión errónea del proceso.
En la siguiente imagen se puede ver un ejemplo de proceso de votación:
Realizar muestreo de las decisiones
Una forma de evaluar la efectividad de un modelo sin requerir acciones de usuarios, es definir aleatoriamente si se debe o no revisar la decisión. Esto tiene como beneficio adicional que las decisiones que son validadas manualmente pueden ser utilizadas para entrenar y mejorar la predicción del modelo a futuro.
La siguiente imagen muestra cómo se ve el proceso:
Implementación de medidas preventivas
La implementación de procesos preventivos es un escenario en el que la inteligencia artificial resulta muy útil. Un ejemplo de ello es la identificación del riesgo de abandono de un alumno en una universidad. Para lo cual, se puede llevar a cabo un proceso periódico en el cual se evalúa mediante Machine Learning el nivel de riesgo de abandono de cada estudiante. Si el riesgo supera un umbral establecido, se puede iniciar una investigación para determinar si se requieren medidas adicionales.
Este ejemplo se puede observar en la siguiente imagen:
Conclusión
En resumen, la incorporación de Machine Learning a los procesos de negocio con BPM puede ayudar a optimizar los procesos y a mejorar la precisión y velocidad en la toma de decisiones. Aunque hay desafíos en su adopción, la integración progresiva y controlada de los modelos de Machine Learning en los procesos mediante herramientas de BPM puede disminuir los riesgos. Además, los procesos de negocio son una fuente importante de información para entrenar modelos de Machine Learning.
Se espera que en el futuro, la combinación de Machine Learning y BPM continúe evolucionando y que las organizaciones adopten cada vez más estas herramientas para optimizar sus procesos y mejorar su eficiencia.